Bibliographic citations
This is an automatically generated citacion. Modify it if you see fit
Herrera, L., (2020). Comparación de métodos para clasificar comentarios de lugares turísticos por medio de análisis de sentimiento [Universidad de Lima]. https://hdl.handle.net/20.500.12724/12195
Herrera, L., Comparación de métodos para clasificar comentarios de lugares turísticos por medio de análisis de sentimiento []. PE: Universidad de Lima; 2020. https://hdl.handle.net/20.500.12724/12195
@misc{sunedu/3305659,
title = "Comparación de métodos para clasificar comentarios de lugares turísticos por medio de análisis de sentimiento",
author = "Herrera Sarmiento, Luis Guillermo",
publisher = "Universidad de Lima",
year = "2020"
}
Title: Comparación de métodos para clasificar comentarios de lugares turísticos por medio de análisis de sentimiento
Authors(s): Herrera Sarmiento, Luis Guillermo
Advisor(s): Gutiérrez Cárdenas, Juan Manuel
Keywords: Redes sociales; Turismo; Tourism; Social networks; Emociones y sentimientos; Emotions and feelings; Turistas; Tourists
OCDE field: http://purl.org/pe-repo/ocde/ford#2.02.04
Issue Date: 2020
Institution: Universidad de Lima
Abstract: Hoy en día los turistas luego de visitar algún destino plasman sus experiencias como opiniones en diversas
fuentes turísticas, redes sociales y/o sitios web turísticos, siendo esta información valiosa para empresas turísticas o
relacionadas a ello, para identificar en qué lugar se puede enriquecer la experiencia de la visita (una oportunidad de
mejora). Asimismo, promover la atención de los turistas durante la planificación de sus viajes, ya que la información
existente puede ser abrumadora. En esta investigación se tomó el sitio web TripAdvisor para adquirir los comentarios
acerca los sitios de interés y se realizó la comparación de tres técnicas para la clasificación de estos comentarios:
Support Vector Machine (SVM), Naïve Bayes (NB) y Método propuesto basado en SVM y Chi Square como método
de selección de características. La técnica híbrida propuesta obtuvo el mejor resultado, seguido de SVM y por último
Naïve Bayes cada una con 80.27%, 78.53% y 76.91% de precisión respectivamente. Se concluye que es factible
realizar la clasificación automática y obtener los lugares con mayor proporción de reseñas negativas.
Link to repository: https://hdl.handle.net/20.500.12724/12195
Discipline: Ingeniería de sistemas
Grade or title grantor: Universidad de Lima. Facultad de Ingeniería y Arquitectura
Grade or title: Ingeniero de sistemas
Register date: 17-Dec-2020; 17-Dec-2020
This item is licensed under a Creative Commons License